Polarimetric synthetic aperture radar (PolSAR) image classification is an important application. Advanced deep learning techniques represented by deep convolutional neural network (CNN) have been utilized to enhance the classification performance. One current challenge is how to adapt deep CNN classifier for PolSAR classification with limited training samples, while keeping good generalization performance. This letter attempts to contribute to this problem. The core idea is to incorporate expert knowledge of target scattering mechanism interpretation and polarimetric feature mining to assist deep CNN classifier training and improve the final classification performance. A polarimetric-feature-driven deep CNN classification scheme is established. Both classical roll-invariant polarimetric features and hidden polarimetric features in the rotation domain are used to drive the proposed deep CNN model. Comparison studies validate the efficiency and superiority of the proposal. For the benchmark AIRSAR data, the proposed method achieves the state-of-the-art classification accuracy. Meanwhile, the convergence speed from the proposed polarimetric-feature-driven CNN approach is about 2.3 times faster than the normal CNN method. For multitemporal UAVSAR data sets, the proposed scheme achieves comparably high classification accuracy as the normal CNN method for train-used temporal data, while for train-not-used data it obtains an average of 4.86% higher overall accuracy than the normal CNN method. Furthermore, the proposed strategy can also produce very promising classification accuracy even with very limited training samples.

Abstract Graphene‐based aerogels have been widely studied for their high porosity, good compressibility, and electrical conductivity as piezoresistive sensors. However, the fabrication of graphene aerogel sensors with good mechanical properties and excellent sensing properties simultaneously remains a challenge. Therefore, in this study, a novel nanofiber reinforced graphene aerogel (aPANF/GA) which has a 3D interconnected hierarchical microstructure with surface‐treated PAN nanofiber as a support scaffold throughout the entire graphene network is designed. This 3D interconnected microporous aPANF/GA aerogel combines an excellent compressive stress of 43.50 kPa and a high piezoresistive sensitivity of 28.62 kPa −1 as well as a wide range (0–14 kPa) linear sensitivity. When aPANF/GA is used as a piezoresistive sensor, the compression resilience is excellent, the response time is fast at about 37 ms at 3 Pa, and the structural stability and sensing durability are good after 2600 cycles. Indeed, the current signal value is 91.57% of the initial signal value at 20% compressive strain. Furthermore, the assembled sensors can monitor the real time movement of throat, wrist pulse, fingers, wrist, and knee joints of the human body at good sensitivity. These excellent features enable potential applications in health detection.

The hot exciton emitters have been confirmed as promising materials for the application of blue organic light-emitting diodes (OLEDs). Here, two new deep-blue hot exciton emitters, D-A type BOOAn and...

Abstract Alzheimer’s disease (AD) is a common neurodegenerative disease in the elderly, early diagnosis and timely treatment are very important to delay the course of the disease. In the past, most of the brain regions related to AD were identified based on the imaging method, which can only identify some atrophic brain regions. In this work, we used mathematical models to find out the potential brain regions related to AD. First, diffusion tensor imaging (DTI) was used to construct the brain structural network. Next, we set a new local feature index 2hop-connectivity to measure the correlation among different areas. The 2hop-connectivity utilizes the higher-order information of the graph structure relative to the traditional graph theory metrics. And for this, we proposed a novel algorithm named 2hopRWR to measure 2hop-connectivity. At last, we proposed a new index GFS (Global Feature Score) based on a global feature by combing 5 local features: degree centrality, betweenness centrality, closeness centrality, the number of maximal cliques, and 2hop-connectivity, to judge which brain regions are likely related to Alzheimer’s Disease. As a result, all the top ten brain regions in the GFS scoring difference between the AD group and the non-AD group were related to AD by literature verification. Literature validation results comparing GFS with local features showed that GFS outperforms individual local features. Finally, the results of the canonical correlation analysis showed that the GFS was significantly correlated with the scores of the mini-mental state examination (MMSE) scale and the Montreal cognitive assessment (MoCA) scale. So, we believe the GFS can also be used as a new index to assist in diagnosis and objective monitoring of disease progression. Besides, the method proposed in this paper can be used as a differential network analysis method in other areas of network analysis.